View
214
Download
0
Category
Preview:
Citation preview
Delineamento em Blocos Casualizados (DBC)
Utilizado quando as unidades apresentam certa heterogeneidade.
Considera os princípios de repetição, aleatorização e controle local.
Para que o experimento seja eficiente, cada bloco deverá ser tão uniforme quanto possível, mas os blocos poderão diferir bastante uns dos outros.
Delineamento em Blocos Casualizados (DBC)
Principais características:
as parcelas são distribuídas em grupos ou blocos, de tal forma que elas sejam o mais uniformes possível dentro de cada bloco;
o número de parcelas por bloco deve ser um múltiplo do número de tratamentos
os tratamentos são designados às parcelas de forma casual, sendo essa casualização feita dentro de cada bloco.
Delineamento em Blocos Casualizados (DBC)
Principais vantagens:
controla as diferenças que ocorrem nas condições ambientais, de um bloco para outro;
permite, dentro de certos limites, utilizar qualquer número de tratamentos e blocos;
conduz a uma estimativa mais exata para a variância residual, uma vez que a variação ambiental entre os blocos é isolada;
a ANOVA é simples, apresentando apenas a diferença de possuir uma causa a mais de variação.
Delineamento em Blocos Casualizados (DBC)
Principais desvantagens:
há uma redução dos graus de liberdade do resíduo;
a exigência de homogeneidade das parcelas dentro de cada bloco limita o número de tratamentos, que não pode ser muito elevado.
Delineamento em Blocos Casualizados (DBC)
Exemplo: Para verificar se quatro variedades de milho produzem, em média, a mesma quantidade, dividiu-se a área de terra que se dispunha em cinco faixas de igual fertilidade. Depois dividiu-se cada faixa de terra em quatro parcelas e sorteou-se, dentro de cada faixa, uma variedade para cada parcela.
Delineamento em Blocos Casualizados (DBC)
Este é um experimento completo em blocos ao
acaso: completo, porque cada bloco contém
todos os tratamentos; ao acaso, porque os
tratamentos foram designados às parcelas por
processo aleatório (ao acaso).
A
B
D
C
D
A
C B
D C A
B A
B
D C
D B
C
A
Delineamento em Blocos Casualizados (DBC)
A B D C
D A C B
D C A B
A B D C
D B C A
Bloco 1
Bloco 2
Bloco 3
Bloco 4
Bloco 5
Delineamento em Blocos Casualizados (DBC)
Experimentos em blocos ao acaso com repetições
O número de unidades que caem dentro de um bloco pode ser maior do que o número de tratamentos que o pesquisador pretende comparar.
Modelo estatístico (Fator de efeito fixo)
ijjij eBTiY
Yij = Variável Resposta coletada sob o i-ésimo nível do fator no bloco j; μ = Média Total; Ti = efeito do tratamento (i = 1, 2, ..., k) Bj = efeito do bloco (j = 1, 2, ... b) eij = Componente do erro aleatório associado à observação Yij.
Modelo estatístico (Fator de efeito fixo)
Suposições para o modelo:
Os erros eij são independentes (aleatorização);
Os erros eij possuem variância constante (σ2 = cte)
Os erros eij são variáveis aleatórias independentes e identicamente distribuídas, tendo distribuição normal com média zero e variância constante, isto é, eij ~ N (0, σ2)
Hipóteses
O objetivo do estudo é verificar se as médias são iguais ou não
Testar se os efeitos dos tratamentos (Ti) são iguais a zero ou não
Hipóteses
H0: T1 = T2 = ... = Tk = 0 (hipótese nula)
H1: Ti ≠ 0 para pelo menos um i (hipótese alternativa)
Teste de significância (ANOVA)
Regra de decisão (para tratamento e bloco):
P-valor < nível de
significância
P-valor < 0,05
Rejeita-se H0
ANOVA
FV GL SQ QM Fc
Tratamento a - 1 SQ E QM E
Bloco b - 1 SQ B QM B
Erro (a-1) (b-1) SQ R QM R
Total
corrigido
ab -1 SQ T
ANOVA
𝑆𝑄𝐸 = 𝑇𝑖²𝑘𝑖=1
𝑏− 𝑇𝑖𝑘𝑖=1 ²
𝑏𝑘
𝑆𝑄𝐵 = 𝐵𝑗²𝑏𝑗=1
𝑘− 𝑇𝑖𝑘𝑖=1 ²
𝑏𝑘
𝑆𝑄𝑇 = 𝑌𝑖𝑗 ² − 𝑇𝑖𝑘𝑖=1 ²
𝑏𝑘
𝑛
𝑗=1
𝑘
𝑖=1
𝑆𝑄𝑅 = 𝑆𝑄𝑇 − 𝑆𝑄𝐸 − 𝑆𝑄𝐵
Recommended